作者 | 高飞
编辑 | 周周
来源 | 科技行者
2026年1月5日，CES正式开幕前一天，英伟达CEO黄仁勋在拉斯维加斯枫丹白露酒店发表了长达90分钟的主题演讲。3000人挤满主会场，庭院里2000人通过大屏幕观看，四楼原本的展区临时改成了观众区。
虽然CES传统意义上是一个消费电子展，但是AI的到来，让后端业务和前端体验很难再区分。市值4.6万亿美元的英伟达，在2025财年Q3的数据中心业务收入达到512.5亿美元，同比增长66%。黄仁勋演讲所谈及的下一步棋，很多都涉及数据中心。
演讲中有一个细节。英伟达内部有一条规则：“任何新一代产品，都不应该有超过一两款芯片的改动。”常规迭代时，GPU更新了，其他芯片可以沿用或小改。但Vera Rubin打破了这个规则——Vera CPU、Rubin GPU、NVLink 6 Switch、ConnectX-9 SuperNIC、BlueField-4 DPU、Spectrum-X Ethernet Photonics Switch，六款芯片全部重新设计，投入了15000“工程师年”的工作量。
为什么？黄仁勋给出的解释是：摩尔定律已经放缓，Rubin的晶体管数量只比Blackwell多1.6倍，但我们面临着每年模型增大10倍、生成Token多5倍的压力，如果只是遵循常规的芯片迭代速度，根本不可能跟上。“所以在这一代产品上，我们别无选择，只能把每一块芯片都重新设计一遍。”
这场演讲的背景，是一个正在发生的产业大迁移：过去十年积累的10万亿美元计算基础设施正在被AI重塑，每年两千亿美元的风险投资涌入这个领域，100万亿美元的全球产业研发预算开始转向。“人们问，预算从哪里来？”黄仁勋说，“就是从那里来的。”
计算平台的重塑
黄仁勋将演讲的第一部分，用于描绘一幅产业图景。
每隔10到15年，计算机行业就会重置一次，即平台级的转变。从大型机到PC，从PC到互联网，从互联网到云，从云到移动时代。每一次平台转移，都意味着开发者会为新的计算平台编写新的应用程序，应用世界都会随着新平台重新构建。
“但这一次，与以往都不同。”黄仁勋停顿了一下，“事实上，我们正在同时经历两场平台级的变革。”
第一场变革是应用层面的，当世界转向AI时，应用程序将建立在AI之上。起初，人们认为AI本身就是一种应用，比如一个聊天机器人或一个图像生成器，这没错，但更重要的是，AI正在成为一个新的平台，未来的应用程序将构建在AI之上。
第二场变革，则更彻底：软件的运行方式和开发方式都在被重塑。计算机产业延续了几十年的“五层蛋糕”技术栈（从底层硬件到上层应用）正在被逐一重塑，这就包括：
- 开发方式的转变：我们不再是“编写”软件（Program the software），而是“训练”软件（Train the software）。
- 运行平台的转变：软件不再主要运行在CPU上，而是运行在为并行计算而生的GPU上。
- 交互模式的转变：过去的应用程序是预录制、预编译的，在设备上运行固定的逻辑。而现在的AI应用，能够理解上下文，每一次交互都是从零开始、即时生成每一个像素、每一个Token。
这意味着什么？黄仁勋进一步解释：“计算（Computing）已经被加速计算和人工智能从根本上重塑了。”这场变革的深远影响体现在经济层面。他估算，过去十年全球在传统计算领域积累的约10万亿美元的产业价值，如今都面临着向这种新型计算模式进行“现代化升级”的需求。
那么，钱从哪来？面对这个外界普遍关心的问题，黄仁勋指出，首先，每年数千亿美元的风险投资（VC）正涌入这个领域，用于资助创新和现代化进程。其次，是全球高达百万亿美元体量的各类产业，正在将其研发预算（通常占收入的几个百分点）从传统方法转向人工智能方法。
“人们问钱从哪里来？这就是钱的来源。将传统IT基础设施升级为AI基础设施，将传统研发方法转变为AI驱动的研发方法。巨额的投资正涌入这个行业，这也解释了为什么我们如此忙碌。”
2025年度盘点：五个突破改变游戏规则
在讲了宏观产业背景后，黄仁勋将演讲拉回刚刚过去的2025年，他说这一年“令人难以置信”，仿佛所有重要进展都在同一时间发生。他梳理了推动AI发展的五大关键技术突破，为后续的产品发布构建了基础逻辑。
第一个突破：扩展定律（Scaling Laws）持续有效。自2015年BERT模型崭露头角，到2017年Transformer架构的诞生，再到2022年引爆全球的ChatGPT时刻，AI的发展很大程度上遵循一个核心规律：投入越多的计算资源，模型就越智能。黄仁勋特别指出，在ChatGPT发布一年后，一个重要进展发生了——GPT o1作为首个真正意义上的推理模型，引入了“测试时扩展”（Test-time Scaling）的概念。
这使得AI的学习和应用过程被划分为三个阶段，每个阶段都需要巨大的算力，并且扩展定律在每个阶段都持续有效。上图最左侧方框，展示了AI的「智能」水平如何随着「计算」投入的增加而提升。这不是一条线，而是三条：
预训练（Pre-training）：模型通过学习海量数据获得基础知识；
后训练（Post-training）：通过强化学习（Reinforcement Learning）等技术，让模型学习特定技能，使其行为与人类期望对齐。
测试时扩展（Test-time Scaling）：一种更通俗的说法，就是“思考”（Thinking）。在面对一个具体问题时，AI不再是瞬间给出一个答案，而是可以花更多时间进行实时推理，从而得到更优解。
这表明，无论是模型的初始学习、后续微调还是实际应用，更多的计算力都能带来更强的性能，扩展定律依然有效。
第二，AI走向智能体化 (AI BECOMES AGENTIC)。智能体的概念从2024年开始出现，并在2025年迅速普及的“智能体系统”（Agentic Systems），标志着AI角色的重大转变。AI不再仅仅是被动回答问题的工具，而是进化为能够主动执行复杂任务的“智能体”。这些智能体模型具备了推理、查阅信息、做研究、使用工具、规划未来、模拟结果的能力。黄仁勋特别提到了Cursor，称“Cursor彻底改变了英伟达内部做软件编程的方式”。
第三，物理AI实现飞跃 (PHYSICAL AI TAKES LEAP)。AI不仅在数字世界发展，也开始与物理世界深度融合。黄仁勋将这种能理解自然法则、与物理世界互动的AI称为「物理AI」。他进一步区分了两个相关但不同的概念：
物理AI（Physical AI）：指AI能够与物理世界进行交互，例如控制机器人。
AI物理学（AI Physics）：指AI能够理解物理世界的规律，例如学习流体力学、材料科学等。
第四，AI学习自然法则 (AI LEARNS LAWS OF NATURE)。这是对“AI物理学”的进一步延伸。AI的应用正在深入基础科学领域，开始学习和理解物理世界的根本规律。
黄仁勋解释说：“宇宙中任何存在信息和结构的地方，我们都可以教一个模型去理解这些信息，理解其表征，并将其转化为AI。”这使得AI能够在生物学、化学、药物研发等领域，通过分析海量数据发现人类难以察觉的模式，加速科学发现。
第五，开源模型达到前沿水平(OPEN MODELS REACH FRONTIER)。这是去年发生的最重要事件之一。开源AI模型的能力正在迅速追赶，甚至在某些方面达到了最顶尖的闭源商业模型的水平。
黄仁勋特别提到了DeepSeek R1，称其为第一个具备推理能力的开源系统，“让世界大吃一惊，并真正激活了整个开源模型领域”。
他指出，尽管开源模型目前仍稳定落后于最前沿的闭源模型大约六个月，但每六个月都会有新的、更智能的开源模型涌现，这极大激发了全球的创新活力：初创公司、大企业、研究人员、学生，乃至每一个国家都希望参与到这场AI革命中。“智能，作为一种数字形式，怎么可能让任何人掉队呢？”他反问道。开源模型的蓬勃发展，使最先进的AI技术不再被少数公司垄断，整个行业生态因此将被重塑。Hugging Face等平台的模型下载量呈爆炸式增长，正是这一趋势的最好证明。
DGX Cloud与开源模型：英伟达的另一面
在梳理了年度五个突破，特别是开源模型的崛起之后，黄仁勋顺势将话题引向了英伟达自身的战略定位和贡献。他透露，英伟达在几年前就已经预见到这一趋势，并开始投入巨资建设和运营自己的AI超级计算机，即DGX Cloud。
“很多人问我们，是不是要进入云计算业务？答案是否定的。”黄仁勋澄清道，“我们建造这些价值数十亿美元的DGX超级计算机，是为了我们自己使用，为了开发我们自己的开源模型。”
他逐一介绍了英伟达的开源模型家族，在各个领域落地。数字生物学方面，La Proteina用于合成和生成蛋白质；OpenFold 3用于理解蛋白质结构；Evo 2用于理解和生成多种蛋白质的相互作用，是构建细胞级表征的开端。地球科学方面，Earth 2包含的ForecastNet和CorrDiff模型，改变了天气预测的方式；大语言模型方面，NemoTron是一个开创性的混合Transformer-SSM（状态空间模型）架构，速度极快，能够进行长时间或非常快速的思考，并产生高质量的回答，黄仁勋预告，近期将发布更多Nemotron-3的变体。世界模型方面，Cosmos能够理解世界是如何运作。人形机器人领域还有Groot模型，专注于关节运动、移动性和步态。自动驾驶领域还有Alpamayo，是英伟达在自动驾驶领域的最新成果，后文会详述。
黄仁勋特别强调了英伟达的开放精神不仅限于模型本身。“我们不仅开源模型，还开源我们用来训练这些模型的数据。因为只有这样，你才能真正信任这些模型是如何产生的。”
除了模型和数据，英伟达还推出了一整套库——NeMo库、Physics NeMo库、Clara NeMo库、Bio NeMo库等，这些库是针对特定领域的AI生命周期管理系统，覆盖了从数据处理、数据生成、模型训练、模型创建、评估、护栏设置、一直到最终部署的全流程。老黄坦言，这些库“极其复杂”，但全部都是开源的。
通过这一系列举措，英伟达将自己定位为“一个前沿AI模型的构建者”，并且是以一种完全开放的方式来构建，旨在“赋能每一家公司、每一个行业、每一个国家，让他们都能成为这场AI革命的一部分”。他展示了一张图，显示英伟达在PDF检索、语音识别、语义搜索等多个排行榜上名列前茅。
Agentic AI崛起
在介绍了英伟达的开源模型矩阵后，老黄将焦点集中在当前AI领域的最热潮——智能体AI（Agentic AI）。他认为，这是AI能力的一次根本性飞跃，也是构建未来应用的基本框架。
他首先回顾了ChatGPT刚问世时的普遍观感：结果很有趣，但“幻觉”（Hallucination）问题严重。黄仁勋解释了幻觉的根源：“模型可以记住过去的一切，但它无法记住未来或当前正在发生的事。”因此，AI的回答需要被“锚定”（Grounded）在事实中，在回答问题之前做基础研究。
这正是智能体系统（Agentic System）所要解决的核心问题。一个智能体在回答问题之前，会先进行基础研究。它具备一种元认知能力——“推理”（Reasoning）。它会思考：我需要做研究吗？我需要使用工具吗？我如何将问题分解成步骤？每一步，都是AI模型知道如何做的事情，它们能够组合成一系列步骤，执行从未被训练过的任务。
智能体能够将一个它从未被训练过来解决的复杂任务，分解为一系列它已知的、可以执行的子任务，然后将这些步骤组合起来完成最终目标。黄仁勋将此比作人类的能力：“我们遇到一个从未见过的情况，并将其分解为我们过去经历过的且懂得如何处理的子情境、知识和规则。”黄仁勋解释道，这就是推理的奇妙能力，强化学习、思维链、搜索、规划等技术的结合，使得这种基础的推理能力成为可能，并且这些技术现在也已完全开源。
紧接着，黄仁勋分享了一个让他觉得“完全是天才”的突破性想法——多模型架构，这个想法的灵感来自于AI搜索公司Perplexity创始人Aravind Srinivas。他第一次见到Perplexity在同时使用多个模型来解决问题时，深受启发。“当然了，我们人类会这么做，一个AI当然也应该能够调用世界上所有伟大的AI来解决它在推理链中任何一个环节遇到的问题。”
基于这一洞察，黄仁勋提到未来AI应用的宏观架构，这个架构具备几个关键特征：
- 多模态（Multi-modal）：AI能够理解语音、图像、文本、视频、3D图形、蛋白质结构等多种类型的信息。
- 多模型（Multi-model）：AI能够根据任务的具体需求，调用最适合该任务的模型。
- 多云（Multi-cloud）：由于这些不同的AI模型可能部署在世界各地的不同云服务上，因此这种架构天然就是多云的。
- 混合云（Hybrid-cloud）：对于企业、机器人或边缘设备（如蜂窝基站、医院）等需要数据实时处理和隐私保护的场景，模型可以部署在本地。
这个由智能体驱动的，集多模态、多模型、多云/混合云于一体的框架，不仅为AI初创公司注入了强大的动力，也让企业能够定制化自己的AI。黄仁勋解释道：“你可以教你的AI一些别人没有教过的技能，让你的AI在某个特定领域变得智能。这正是我们通过Nemotron、Nemo和所有开源模型想要实现的目标。”
为了让大家理解这个抽象的框架，黄仁勋现场播放了一段演示视频：如何快速构建个人的AI助理。
视频中，一位开发者展示了如何利用这个框架，将一个名为“Reachy”的迷你机器人（由Hugging Face提供）变成一个功能强大的个人助理。这是该智能体的工作原理：
1、设定目标：开发者希望助理能帮他处理日历、邮件、待办事项，甚至照看家里。
2、本地化与隐私：他使用Brev工具将自己的DGX Spark（一台小型AI工作站）变成个人云。为了保护邮件隐私，他部署了一个在本地Spark上运行的开源模型。
3、智能路由：他设置了一个基于“意图”（Intent-based）的模型路由器。这个路由器就像一个管理者，当用户的指令（Prompt）涉及到邮件时，它会自动将任务分配给本地运行的开源模型处理；而其他通用任务，则可以调用外部更强大的前沿模型API。
4、连接物理世界：他将智能体与Reachy机器人的头部、耳朵和摄像头连接起来，通过工具调用（Tool Calls）来控制机器人。
5、赋予声音：他接入了11 Labs的API，让机器人拥有了自然流畅的语音。
演示中，这个名为Reachy的AI助理展现了惊人的能力：
- 查询信息。开发者问：“今天我的待办事项是什么？” Reachy回答：“买菜（鸡蛋、牛奶、黄油），以及把新脚本发给黄仁勋。”
- 执行任务。开发者说：“好的，给Jensen发个更新，告诉他我们今天之内会搞定。” Reachy回应：“没问题。”
- 多模态创作。开发者问：“这里有张草图，能把它变成建筑效果图吗？” Reachy迅速生成了一张精美的效果图，接着它还能根据指令生成一段展示房间的视频。
- 远程协作与环境交互。开发者将Reachy的访问权限分享给了同事Anna。Anna远程问：“Potato（一只狗的名字）在干嘛？” Reachy通过摄像头看到狗在沙发上，并结合它记住的主人喜好，主动对狗发出指令：“Potato在沙发上。我记得你不喜欢这样，我会让它下去。Potato，下沙发！”
黄仁勋总结说，这个结合了前沿闭源模型和本地定制化模型的智能体框架，能够连接工具、文件甚至其他智能体，正是现代AI应用的基本架构。
更重要的是，这套框架正在被深度集成到企业平台中，例如：Palantir的整个AI和数据处理平台正在被英伟达加速；ServiceNow，世界领先的客户服务和员工服务平台；Snowflake，云端世界顶级数据平台；CodeRabbit，英伟达内部各处都在使用；CrowdStrike，创建AI来检测AI威胁；NetApp的数据平台现在有英伟达语义AI和Agentic系统用于客户服务。
黄仁勋强调，未来Agentic系统就是交互界面。这些交互界面不再是传统的Excel表格或命令行，而是像与人交谈一样自然、多模态的智能体界面。你与平台互动的方式更加简单，就像你在与人互动一样。"
物理AI的实现路径
从数字世界的智能体，黄仁勋将话题过渡到他最关注的领域之一：物理AI（Physical AI），他坦言英伟达已经投入物理AI八年之久。
核心问题是：如何让一个存在于计算机内部、通过屏幕和扬声器与人交互的智能，真正走向物理世界，理解并与之互动？
这意味着AI必须理解物理世界运作的“常识”：物体恒存性（Object Permanence）：如果看向别处，再移回视线，那个物体依然在那里。因果关系（Causality）：如果推一个东西，它会倒下。物理规律：AI需要理解摩擦力、重力、惯性，它要知道，一辆重型卡车需要更长的刹车距离，一个球会持续滚动。
这些对一个小孩来说都是常识，但对AI而言却是完全未知的。为了教会AI这些，英伟达构建了一个独特的系统，这个系统需要三种不同的计算机协同工作：
一台计算机用于训练AI模型，这是英伟达的传统强项；一台计算机用于推理，即机器人计算机，运行在汽车、机器人、工厂等边缘设备中，执行模型的推理；还有一台是仿真计算机，这是实现物理AI的基础，黄仁勋强调，“「仿真（Simulation）」是英伟达几乎所有工作的核心。”AI如何知道它执行的动作是否正确？它必须能够在一个虚拟环境中模拟物理世界对它动作的反馈。没有仿真，就无法评估AI的行为，因为现实世界的每一次互动都是不可复现的。
基于这“三大计算机”，英伟达构建了相应的软件栈：
- Omniverse：一个基于物理的、用于创建数字孪生（Digital Twin）的仿真世界。
- Cosmos：一个世界基础模型（World Foundation Model）。它不是语言模型，而是关于世界如何运作的模型，并且能与语言对齐。你可以问它“那个球怎么样了？”，它会告诉你“球正在街上滚动”。
- 机器人模型：包括用于人形机器人的Groot和用于自动驾驶的Alpaca。
在物理AI的训练中，一个巨大的挑战是数据从何而来。语言模型可以从海量的文本中学习，但如何教AI物理世界的“基准真相”（Ground Truth）？现实世界的视频虽然很多，但远不足以覆盖所需的多样性和交互类型。
“这就是伟大思想汇聚的地方，”黄仁勋说，“我们将‘计算’转化为了‘数据’。”
这个核心思想就是合成数据生成（Synthetic Data Generation），通过使用基于物理定律和基准真相约束的仿真环境，可以有选择地、巧妙